LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
坚强断缘完成签到,获得积分10
1秒前
斯文败类应助临水思长采纳,获得10
1秒前
always完成签到,获得积分10
2秒前
young完成签到,获得积分10
2秒前
壹元侑子发布了新的文献求助10
2秒前
yyq完成签到,获得积分10
4秒前
5秒前
6秒前
young发布了新的文献求助20
6秒前
FashionBoy应助谦让的凤灵采纳,获得10
6秒前
踏实的平露完成签到,获得积分10
7秒前
FlaKe发布了新的文献求助10
9秒前
yyq发布了新的文献求助10
9秒前
领导范儿应助swall5w采纳,获得10
10秒前
英姑应助谷雨采纳,获得10
10秒前
结实一鸣完成签到 ,获得积分10
10秒前
11秒前
12秒前
Light发布了新的文献求助10
12秒前
坚持就是胜利完成签到 ,获得积分10
12秒前
虞剑完成签到,获得积分10
12秒前
可爱半凡发布了新的文献求助10
12秒前
onmymark发布了新的文献求助10
14秒前
curtisness应助小郭不洗锅采纳,获得10
15秒前
哈哈哈完成签到,获得积分10
15秒前
罗梦芬完成签到,获得积分10
16秒前
zx发布了新的文献求助10
16秒前
chrissylaiiii发布了新的文献求助10
18秒前
传奇3应助Bagpipe采纳,获得10
19秒前
陈陈完成签到,获得积分10
21秒前
噔噔蹬完成签到 ,获得积分10
21秒前
Owen应助阿曼采纳,获得10
22秒前
22秒前
23秒前
二水发布了新的文献求助10
24秒前
25秒前
白vv应助msxw采纳,获得20
26秒前
无花果应助陈陈采纳,获得10
26秒前
26秒前
Zoi发布了新的文献求助10
27秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
Idoxuridine 260
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3195532
求助须知:如何正确求助?哪些是违规求助? 2844303
关于积分的说明 8049822
捐赠科研通 2509048
什么是DOI,文献DOI怎么找? 1341332
科研通“疑难数据库(出版商)”最低求助积分说明 639124
邀请新用户注册赠送积分活动 608244